BenchLeader

Claude Sonnet 5 vs GPT-6.1 Terra

完整资料:Claude Sonnet 5(Anthropic)和 GPT-6.1 Terra(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,质量上 GPT-6.1 Terra 领先 Claude Sonnet 5(BenchLeader Index 64.1 比 59.0)。GPT-6.1 Terra 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Terra 均领先。Claude Sonnet 5 输出更快。

要点(截至 2026年11月16日)

  • Claude Sonnet 5 的 BenchLeader Index 为 59.0,GPT-6.1 Terra 为 64.1(BenchLeader,2026年11月16日)。
  • Claude Sonnet 5 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Claude Sonnet 5 比 GPT-6.1 Terra 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 15 项基准测试中,GPT-6.1 Terra 领先 15 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Sonnet 5 的评分为 1539,GPT-6.1 Terra 为 1678(LMArena,截至 2026年11月16日 的公布数据)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程GPT-6.1 Terra类别得分 69 比 60;Arena WebDev 1678 比 1539高
智能体与工具调用GPT-6.1 Terra类别得分 63 比 53;Arena Agent 12 比 2高
数学GPT-6.1 Terra类别得分 72 比 65中
推理GPT-6.1 Terra类别得分 68 比 65;Humanity's Last Exam (AA) 46.3% 比 35.7%中
长文档GPT-6.1 Terra类别得分 66 比 63;AA-LCR v1.1 82.7% 比 76.7%中
图像及其他媒体GPT-6.1 Terra类别得分 67 比 61中
对话质量(人类偏好)–只有 Claude Sonnet 5 有 Arena 评分(类别得分 65)无法比较
成本最低GPT-6.1 Terra每百万 token 混合价格 $2.00 比 $4.00;智能体编程会话 $0.080 比 $0.160–
首次回答最快Claude Sonnet 5首个回答 token 15.8 秒(Claude Sonnet 5 (high))比 150.9 秒(GPT-6.1 Terra (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 质量上 GPT-6.1 Terra (max) 领先:64.1 比 59.0。
  • GPT-6.1 Terra (max) 在智能体与工具、编程、长上下文、数学、多模态、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。
  • Claude Sonnet 5 (high) 的输出速度是对方的 1.4 倍(99 比 72 token/秒)。

概览

规格Claude Sonnet 5GPT-6.1 Terra
提供商AnthropicOpenAI
发布日期2026年6月30日2026年10月26日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Sonnet 5 (high)GPT-6.1 Terra (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.200$1.00 / $5.00 / $0.050

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Claude Sonnet 5 (high)GPT-6.1 Terra (max)领先者
推理65.468.4GPT-6.1 Terra
编程59.969.3GPT-6.1 Terra
智能体与工具52.963.4GPT-6.1 Terra
数学65.371.7GPT-6.1 Terra
知识–61.4无法比较
人类偏好64.6–无法比较
多模态60.967.2GPT-6.1 Terra
长上下文62.966.0GPT-6.1 Terra
综合–65.0无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学长上下文多模态Claude Sonnet 5, 推理: 65.4Claude Sonnet 5, 编程: 59.9Claude Sonnet 5, 智能体与工具: 52.9Claude Sonnet 5, 数学: 65.3Claude Sonnet 5, 长上下文: 62.9Claude Sonnet 5, 多模态: 60.9GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 长上下文: 66.0GPT-6.1 Terra, 多模态: 67.2

未绘制(测得的模型少于两个):知识, 指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 15 项基准测试中,Claude Sonnet 5 领先 0 项,GPT-6.1 Terra 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。

综合 IndexClaude Sonnet 5 (high)GPT-6.1 Terra (max)领先者
BenchLeader Index59.064.1GPT-6.1 Terra

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Claude Sonnet 5 (high)GPT-6.1 Terra (max)
每百万 token 混合价格$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$1.00 / $5.00
每百万 token 缓存输入$0.200$0.050
每项任务价格:聊天回复$0.0038$0.0019
每项任务价格:总结一份 30 页的报告$0.030$0.015
每项任务价格:代码编辑$0.027$0.013
每项任务价格:智能体编程会话$0.160$0.080
每项任务价格:结构化信息提取$0.0060$0.0030
智能体编程会话(输入大多命中缓存)$0.079$0.037
每项基准测试任务成本(AA Index)–$0.961
每项任务输出 token(AA Index)–60k
其中推理部分–39k
每项任务耗时(AA Index)–14 min
输出速度99 tok/s72 tok/s
首次回答时间15.8 秒150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)40.7 秒375.7 秒

每个模型都按其排名最高的推理强度设置进行对比。Claude Sonnet 5 (high) 得分 59.0,首个回答 token 需 16 秒;Claude Sonnet 5 (max) 为 56.1(158 秒),Claude Sonnet 5 (xhigh) 为 55.4(32 秒)。GPT-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 152 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Claude Sonnet 5 (high)GPT-6.1 Terra (max)
BenchLeader IndexBenchLeader59.064.1
智能体与工具得分BenchLeader52.963.4
编程得分BenchLeader59.969.3
人类偏好得分BenchLeader64.6–
长上下文得分BenchLeader62.966.0
数学得分BenchLeader65.371.7
多模态得分BenchLeader60.967.2
推理得分BenchLeader65.468.4
综合得分BenchLeader–65.0
知识得分BenchLeader–61.4
混合价格(美元/百万 token)BenchLeader$4.00$2.00
输出速度BenchLeader99 tok/s72 tok/s
首次回答时间BenchLeader15.8 秒150.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub80.3%†94.3%
SimpleBenchSimpleBench60.6%†72.2%†
Arena Hard PromptsArena (LMArena)1490–
LiveBench 2.0 ReasoningLiveBench–88.7%
LiveBench 1.0 ReasoningLiveBench88.7%†–
GPQA Diamond (AA)Artificial Analysis91.1%†–
Humanity's Last Exam (AA)Artificial Analysis35.7%46.3%
HLE-Diamond (AA)Artificial Analysis–47.3%
GPQA Diamond (Vals)Vals AI88.9%†–
CritPtArtificial Analysis15.1%28.0%
CritPt v2 hard subset (AA)Artificial Analysis–68.0%
HLE-Diamond (Scale)Scale AI SEAL–35.7%†
Arena ExpertArena (LMArena)1509–
Chess PuzzlesEpoch AI Benchmarking Hub45.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub16.0%†74.0%
LMCAEpoch AI Benchmarking Hub50.0%–
DTBenchEpoch AI Benchmarking Hub84.5%–
ForecastBenchForecastBench63.1%†–
BTF-3Epoch AI Benchmarking Hub14.2%†–
编程
SciCodeSciCode54.3%55.1%
WeirdMLWeirdML68.8%–
FrontierCodeCognition42.7%†–
GSO-BenchGSO-Bench37.3%†–
Arena CodingArena (LMArena)1520–
Arena WebDevArena (LMArena)15391678
显示全部 152 项基准测试
指标发布方Claude Sonnet 5 (high)GPT-6.1 Terra (max)
编程
LiveBench 2.0 CodingLiveBench–89.2%
LiveBench 1.0 CodingLiveBench80.7%†–
LiveCodeBenchVals AI82.4%†–
IOIVals AI45.0%†–
SWE-bench (Vals)Vals AI79.6%†–
Code MigrationVals AI44.4%†–
ProgramBenchVals AI0.0%†–
Vibe Code Bench 1-100Vals AI13.8%†–
Vibe Code Bench v1.1Vals AI81.3%†84.0%
SWE Atlas v1.1Scale AI SEAL–57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL–55.7%†
SWE-Bench Pro V2Scale AI SEAL93.2%†–
SWE-Bench Pro V2 HARDScale AI SEAL88.2%†–
MirrorCodeEpoch AI Benchmarking Hub63.3%†76.7%
Surface Evolver BenchEpoch AI Benchmarking Hub60.0%†–
DeepSWE v1.1Epoch AI Benchmarking Hub48.2%–
CursorBenchCursor30.8%–
ALE-BenchEpoch AI Benchmarking Hub1463.12608.8
WeirdML v3WeirdML–28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis5.0%55.6%
Terminal-Bench 2.1 (AA)Artificial Analysis80.5%†–
Startrise FrontendStartrise66.6%†–
GameBench 2 OverallDuelLab GameBench 246.6†81.2†
GameBench 2 by reasoning settingDuelLab GameBench 254.4†85.8†
Design Arena WebsiteDesign Arena1268†1286†
FrontierCode 1.1 (AA)Artificial Analysis–36.0%
FrontierCode 2.0 (AA)Artificial Analysis17.8%†42.3%
智能体与工具
Terminal-BenchTerminal-Bench12.1%†53.3%
APEX-AgentsMercor54.5%†68.3%
Arena AgentArena (LMArena)212
LiveBench Long AgenticLiveBench–56.2%
LiveBench BrowserLiveBench–93.1%
LiveBench Agentic CodingLiveBench59.4%†–
Terminal-Bench 2.1 (Vals)Vals AI74.5%†–
HiL-BenchScale AI SEAL–68.0%†
GDPval-AA v2.1Artificial Analysis12621476
τ³-Banking (AA)Artificial Analysis37.3%†–
Analyst Agent (AA)Artificial Analysis46.3%†–
CyberBenchVals AI61.9%†–
Finance Agent v2Vals AI53.9%†–
Finance Agent v2.1Vals AI–56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–1.7%
Harvey's Legal Agent Benchmark v1Vals AI5.0%†–
Legal Research BenchVals AI41.8%†26.0%
SkillsBenchVals AI46.5%†–
SREBenchVals AI0.4%†–
Tax Agent BenchVals AI29.4%†17.1%
Terminal-Bench 4.0 (Vals)Vals AI10.6%†49.5%
Terminal-Bench ScienceVals AI5.7%†–
Arena SearchArena (LMArena)1191†–
Arena Agent Task CompletionArena (LMArena)-0.69.7
GBAEvalEpoch AI Benchmarking Hub65.3%†–
Vending-Bench 2Andon Labs6377.7†9107.5†
SpireClimbEpoch AI Benchmarking Hub–22.3%
AutomationBenchArtificial Analysis32.1%60.2%
GDP.pdf (AA)Artificial Analysis9.4%28.6%
EnterpriseOps-GymArtificial Analysis44.7%†–
AA-Briefcase v1.1Artificial Analysis11771401
GDPxGDPx by SemiAnalysis–8.5%
Design Arena AgenticDesign Arena1222†1192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–57.6%
MKA (AA)Artificial Analysis–43.8%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub65.6%†90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%†92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†100.0%
ProofBenchVals AI77.0%†–
LiveBench MathematicsLiveBench92.9%†–
Arena MathsArena (LMArena)1472–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.7%†57.3%
LiveBench 2.0 Data AnalysisLiveBench–82.3%
LiveBench ResearchLiveBench–79.1%
LiveBench 1.0 Data AnalysisLiveBench71.7%†–
AA-Omniscience v1.1Artificial Analysis–29.6
MMLU-ProVals AI87.5%†–
LegalBenchVals AI83.9%†–
CorpFinVals AI67.0%†–
TaxEvalVals AI75.6%†–
Excel Modeling BenchmarkVals AI66.3%†–
Excel Modeling Benchmark v1.1Vals AI–73.3%
MedCodeVals AI47.5%†–
MedScribeVals AI76.0%†–
Public Benefits Bench v1.1Vals AI66.0%†–
DrugDiscoveryBenchScale AI SEAL50.0%†–
EBR-benchEpoch AI Benchmarking Hub–78.1%
AA-Omniscience v1.1: accuracyArtificial Analysis–47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
FACTS ParametricGoogle20.5%†70.8%†
指令遵循
LiveBench LanguageLiveBench75.0%†–
LiveBench Instruction FollowingLiveBench63.9%†–
MultiChallengeScale AI SEAL–74.2%†
Arena Instruction FollowingArena (LMArena)1467–
人类偏好
Arena TextArena (LMArena)1461–
EQ-Bench 4EQ-Bench1221†–
EQ-Bench Creative Writing v3EQ-Bench1798†–
Arena Creative WritingArena (LMArena)1434–
Arena Multi-turnArena (LMArena)1473–
Arena Longer QueriesArena (LMArena)1481–
多模态
Arena VisionArena (LMArena)1272–
LiveBench DesignLiveBench–79.7%
MMMU-ProArtificial Analysis77.3%†84.7%
MMMU-Pro (Vals)Vals AI83.0%†–
MortgageTaxVals AI70.0%†–
Humanity's Sixth SenseScale AI SEAL24.8%†–
GeoBenchGeoBench74.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub24.9%†42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–79.2%
VIALS-AAHandshake AI–60.3%
FACTS MultimodalGoogle–48.8%†
长上下文
AA-LCR v1.1Artificial Analysis76.7%82.7%
Arena DocumentArena (LMArena)1469–
MLCRArtificial Analysis4.4%30.6%
FACTS GroundingGoogle–84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.9†167.7†
LiveBench 2.0LiveBench–78.8%
LiveBench 1.0LiveBench76.0%†–
AA Intelligence Index v5.0.1Artificial Analysis–51.3
AA Intelligence Index v4.3.2Artificial Analysis31.748.1
AA Progress Index v1Artificial Analysis296.8345.2
Vals IndexVals AI–60.5
Vals Finance IndexVals AI–53.3%
Vals Multimodal IndexVals AI68.8%†–
Vals Legal IndexVals AI–58.8%
安全与诚实
FORTRESSScale AI SEAL–18.2%†
DistressBenchScale AI SEAL68.0%†65.9%†

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • GPT-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Claude Sonnet 5 (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • Claude Sonnet 5 (high):BenchLeader Index 59.5 → 59.0。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • Claude Sonnet 5 (high):1 项新结果(GeoBench)。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • Claude Sonnet 5 (high):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Sonnet 5 vs GPT-6.1 Terra:常见问题

GPT-6.1 Terra 比 Claude Sonnet 5 更好吗?
质量上 GPT-6.1 Terra (max) 领先:64.1 比 59.0。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Terra (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Sonnet 5 和 GPT-6.1 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 比 $4.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Claude Sonnet 5 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Sonnet 5 为 1539,GPT-6.1 Terra 为 1678。
Claude Sonnet 5 和 GPT-6.1 Terra 哪个更快?
Claude Sonnet 5 输出更快(输出 99 比 72 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在智能体任务方面得分更高(类别得分 63 比 53,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Claude Sonnet 5 为 2,GPT-6.1 Terra 为 12。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Terra 在长上下文基准测试上得分更高(66 比 63)。两者都约为 1.1M token(Claude Sonnet 5 为 1,000,000,GPT-6.1 Terra 为 1,050,000)。
哪个延迟更低?
Claude Sonnet 5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.8 秒比 150.9 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Sonnet 5 和 GPT-6.1 Terra 的看法一致吗?
在两者都有结果的 15 项基准测试中,Claude Sonnet 5 领先 0 项,GPT-6.1 Terra 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。